自从2012年开始认真学习深度学习以来，人工智能技术已经在许多领域超越了现有技术的性能。尽管环境有限，但Atari游戏在2015年达到了人类的水平，图像识别和Go在2016年达到了人类的水平，皮肤癌诊断和语音识别以及2017年在扑克中达到了人类的水平。此外，多语言翻译和各种游戏（如Quake 3和Starcraft 2）人工智能正在表现出接近人类的表现。
但是，这并不意味着AI已达到接近人类的水平。由于当今的AI技术仅专门用于人类可以做的许多事情中的任何一种，因此它远非人类的综合思维能力。
在VentureBeat上发表的一篇文章预测，《 2021年AI下一步》将尝试解决这些挑战：
在共享的文章中，提到了四个主要主题。
- 混合人工智能
- 进化的灵感
- 强化学习
- 将世界知识和常识整合到AI中
混合人工智能与现有的基于规则的传统技术一起使用，以解决当前深度学习的问题，例如对大量数据的需求，转移学习并不容易，推理和知识表达不自然。它指的是融合深度学习技术的尝试。当然，将来，仅深度学习技术就可以解决所有问题，但是我认为将两种不同的方法结合在一起可以创建一个效率更高的系统，而培训数据量却有限。此外，根据一项研究，不是将人脑也是一个集成系统的庞大系统，而是为大脑的每个部分形成了执行特定功能的部分网络，并且将每个模块以特定关系连接起来的分析结果。我认为没有必要坚持单独运行应该解决所有问题的想法。
进化的启发并不是基于大量学习数据的注入式学习，而是一种通过与周围环境的互动逐渐学习的形式。它似乎是一个类似于在线学习的概念，但实际上，大多数活生物体都通过此过程进行学习，即使在从未遇到过的环境中也能获得不可思议的力量。就目前的深度学习技术所没有的方面而言，这些领域似乎值得考虑。
强化学习是一种已经在游戏领域广泛使用的技术，它不是基于问题和正确答案的组合的学习方法，而是一种学习给出给定环境和目标并最大程度地实现目标的奖励的学习方法。考虑到这一点，我认为，如果教师传达知识的方式是监督学习，那么通过与朋友和同事之间的社会关系进行的学习过程就类似于强化学习。特别是，从学习决策而非知识的角度来看，我们认为这是使AI接近人类必须采取的必要过程。
将世界知识和常识整合到AI中意味着常识的概念应应用于AI，不仅是从大量数据中检索事实的方法，而且还能够从积累的知识中推断出逻辑关联。 ，这意味着您应该能够据此做出合理的决定。通过这个过程，将不会出现训练数据中没有包含但可以适应和推广到类似情况的AI。
除了上述内容，人工智能领域还出现了许多新话题。但是，如果目标仅限于人工智能（AGI）或接近人类的形式的AI，而不是像现在的大多数AI任务那样思考谁可以在有限的环境中以更高的性能解决问题，那么它在开放领域中是全面的。要使您具备思考能力，研究是必不可少的，我认为这是前进的方向之一。
